很少有技術比人工智能(AI)和機器學習(ML)更熱門了。領先的組織已經在利用這種模仿人類心智行為的技術來吸引顧客，并促進業務運營。Gartner的數據指出，這一趨勢只會在未來幾年更受青睞，因為到2020年，人工智能和機器學習將成為逾30%的首席信息官的五大投資重點之一。

 

人工智能和機器學習會取代人類的工作的最初擔憂似乎正在消退，普華永道調查的企業高管中有超過67%的人表示人工智能有助于人類和機器更好地協作。有些首席信息官嗅到了讓業務有起色的機會，他們正在試驗，建立，甚至為新的人工智能和機器學習技術申請專利。這些IT領導者與CIO.com分享了機器學習的用例。

 

 

Putnam Investments是一家共同基金、401(k)計劃、IRA和其它退休計劃的供應商，它將人工智能和機器學習看作是促進金融服務公司的研究分析師提高證券報道的準確性。它的首席信息官 Sumedh Mehta是這樣告訴CIO.com的。

 

Mehta表示，分析師與Putnam數據科學家密切合作，創建這些有助于從大量數據中獲得洞察的論文。Putnam也在研究能推薦最重要的潛在客戶的算法。

 

Mehta對人工智能和機器學習的說法是：“這是一個具有巨大的顛覆性和變革性的力量，整個業務驅動因素就是效率和生產力。”

 

Mehta依靠軟件工程師，數據科學家，分析和供應商的結合，創建了一個卓越的數據科學中心，這個中心對于支持業務利益相關者的人工智能和機器學習工作來說基本上核爆點。他說他的“開明的”商業伙伴已經采取了這些方法來實現更好的自動化。

 

人工智能和機器學習的工作是Putnam的廣泛的數字化轉型的一部分，這需要對IT基礎設施和云計算進行現代化并創建一個管理業務的單一平臺。

 

關鍵的建議：組織應該花時間并設定適當的期望值，理解前幾個想法會導致新的問題而不是答案。Mehta說：“就人工智能而言，并不存在靈光乍現的時刻。并不存在這樣的情況——你的算法會突然間產生你所不了解的洞察。”

 

 

在AshokSrivastava的帶領下，Intuit正在加速人工智能和機器學習的工作，他在10月份以首席信息官的身份加入了該財務軟件制造商。

 

Srivastava表示，Intuit正在用Amazon Web Services來幫助其QuickBooks Assistant的聊天機器人更好地理解和處理自然語言，Srivastava在擴建了威瑞森(Verizon)的大數據平臺構建之后加入了Intuit。日益受到關注的焦點是通過數百個賦予Quickbooks基本特征的分類來引導用戶。

 

Srivastava補充道：“我們正在處理來自QuickBooks的逾10億次交易，我們可以優化以高精確度的形式存在的分類。

 

該公司的TurboTax使用人工智能，通過向用戶解釋逐項扣費的過程來幫助用戶得到最大限度的退款，潛在地為用戶節省高達40%的報稅時間和檢索文件的工作量。

 

Srivastava說，該公司正在使用AWS的機器學習和云技術進行更快速的擴展。

 

關鍵的建議：要發展穩健的算法就要吸引合適的工程人才來解決實際的業務挑戰。Srivastava曾供職于美國宇航局的艾姆斯研究中心(Ames Research Center)，他目前正在招聘能夠與機器學習和人工智能技術協作來實現公司目標的工程師。

 

 

Rich Hillebrecht作為旨在提高廣域網性能的軟件供應商Riverbed Technology的首席信息官，他面臨著獨特的挑戰。Hillebrecht表示，他正在測試如何使用機器學習從公司供應鏈的多個來源獲取數據，以促成更好的業務洞察。

 

Hillebrecht告訴CIO.com：“我們希望應用機器學習技術來處理比平常要多得多的數據。”

 

例如，Riverbed可能會將訂單管理與其它具有關于天氣和其它因素的歷史數據的ERP數據結合起來，以找到可預測未來的績效的模式。Hillebrecht說：“我們希望在下游風險方面(就容量和我們對客戶的履單能力)具有更強的預測能力。”

 

其它的Riverbed用例可能包括使用機器學習來自動調整性能配置并發現網絡安全威脅。 Hillebrecht期待能創建一個數據湖，從這個數據胡中可以得到商業洞察。

 

關鍵的建議：人工智能和機器學習的合理戰略需要謹慎的做法。Hillebrecht表示，他正在仔細評估工具和技術，包括IBM Watson。

 

 

美國銀行像很多大型銀行一樣，收集了大量的客戶數據。美國銀行也和大多數銀行一樣，一直在努力從這些數據中獲得可操作的洞察。美國銀行的首席分析官Bill Hoffman正在努力改變這種狀況。在過去的幾個月里，他一直使用Salesforce.com的愛因斯坦人工智能/機器學習(Einstein AI/ML)技術來提高整個銀行的小型企業、批發、商業財富和商業銀行業務的個性化。

 

例如，如果客戶在美國銀行網站上搜索關于按揭貸款的信息，客戶服務代理可以在下次訪問分行時跟進該客戶。這也有助于美國銀行發現人類可能看不到的模式。例如，該軟件可以推薦代理商在周四上午10點到下午12點之間致電特定行業的潛在客戶。因為他們更有可能拿起電話。愛因斯坦還可以在日歷上添加一個日歷邀請，以提醒他們在下周四打電話給求職者。

 

這樣的功能直達很多金融服務機構試圖達到的核心。培養對客戶的全局視角，推薦當下的相關服務。Hoffman說：“我們正在從一個描述發生了的事情或正在發生的事情的世界走向一個關乎將要發生的事情或應該發生的事情的世界。核心價值就是要始終領先一步，預測客戶需求和他們想與我們互動的渠道。”

 

關鍵的建議：對人工智能和機器學習采取一種測試學習的方法(test-and-learn approach)，并保持耐心。但也要準備好擴展有效的事物。Hoffman說：“始終以顧客為中心。要問：這會如何使客戶受益?”

 

 

萬事達的運營兼技術總裁Ed McLaughlin說，機器學習“滲透在我們所做的一切事情”。萬事達正在使用機器學習來將他所謂的“辛勞”或重復、手動的任務自動化，從而把人類解放出來，從事能提高生產力和價值的工作。McLaughlin說：“很明顯，我們已經達到了先進的水平，在這樣的水平狀態里有使工作場所的任務自動化的明確投資。

 

萬事達卡也使用機器學習工具來增強整個產品和服務生態系統的變革管理。例如，機器學習工具可幫人們確定哪些變革是最無風險的，哪些變革需要格外仔細地審查。最后，萬事達卡正在使用機器學習來檢測系統中的異常情況，這些異常情況表明黑客正試圖獲取訪問權限。McLaughlin還在網絡中建立了“安全網”;當它發現可疑的行為時就會觸發保護網絡的斷路器。他說：“我們有欺詐評分系統，它會不斷查看交易以更新評分，并對下一次交易進行評分。”

 

關鍵的建議：對McLaughlin來說，人工智能/機器學習只是支付處理商諸多工具中的兩個工具。盡管市場上有很多新穎的工具，但他表示首席信息官們不應該指望它們能魔法般地解決業務問題。

 

 

在軟件制造商奧多比(Adobe Systems)，首席信息官Cynthia Stoddard正在利用“數據驅動的運營模式”重塑自己的部門，依靠基于海杜普(Hadoop)的分析來更好地管理IT和業務。作為數據驅動策略的一部分，Stoddard表示，她正在嘗試使用機器學習來幫助分析幫助臺軟件中的工單以查找系統故障的趨勢。這個想法是，如果系統發現停機事件可能會發生，那么系統可以在事件觸發故障前主動排除或緩和這些事件。

 

她說，發現IT服務故障中的模式也將使奧多比能夠創造一些“自我修復”的功能，以吸收IT員工當前所做的工作。她也在研究聊天機器人技術，以處理員工的IT支持請求。奧多比的商業業務也接受了人工智能。該公司去年11月推出了Sensei，這是一種人工智能技術，它用于創建和發布文檔，分析和跟蹤網頁和移動應用程序的性能。

 

關鍵的建議：使用機器學習來識別模式是創建自我修復功能的關鍵。Stoddard說：“如果你知道如何修復它，你就可以把自我修復的部件放在里面，把人的因素排除在外。

 

版權聲明：本文為企業網D1Net編譯，轉載需注明出處為：企業網D1Net，如果不注明出處，企業網D1Net將保留追究其法律責任的權利。